1) Cách định dạng File đã được sử dụng trong LFDA, nhập dữ liệu vào LFDA.

2) Sử dụng phần hướng dẫn LFDA cho trước để xem xét một vài dữ liệu tần suất chiều dài mẫu trong bộ dữ liệu cho trước.

3) Có thể sử dụng bộ dữ liệu khác để chạy với LFDA.

Bộ dữ liệu mẫu LFDA

- Dữ liệu sẽ được trút ra từ file ở dạng text có tên là “TUTOR.TXT”.

- Thời gian lấy mẫu: Mẫu phải được lấy một cách đều đặn.

-

- Các lớp tần suất chiều dài: được chia đều đặn theo khoảng chiều dài thích hợp.

-

- Số cá thể dùng để đo đạc: cỡ mẫu đủ lớn, hợp lý.

Các bước hướng dẫn trong chương trình LFDA

- Giới thiệu.

-

- Trút và xem xét dữ liệu.

-

- Ước lượng các tham số tăng trưởng không theo mùa vụ.

-

- Ước lượng các tham số tăng trưởng có tính mùa vụ

-

- Ước tính tổng mức chết “Z”.

Khởi động chương trình LFDA

Như hầu hết phần mềm dạng Window khác, có một số cách để khởi động LFDA:

-

- Bấm chuột hai lần liên tiếp vào biểu tượng LFDA.

-

- Start > Programs > MRAG Software > LFDA5

-

- Mở Windows Explorer. Tìm chương trình “LFDA5.EXE” và b[FONT=VNI-Times]aám chuột hai lần liên tiếp.

file:///C:/Users/Heodat/AppData/Local/Temp/msohtml1/01/clip_image002.jpg

Khi đó sẽ nhận được màn hình dưới đây:

Tập tin trợ giúp LFDA

- Có một tập tin trợ giúp giới thiệu chi tiết về LFDA, một vài lý thuyết v[FONT=VNI-Times]eà LFDA sẽ được giới thiệu.

-

- Ta có thể đạt được điều này bằng cách nhấp vào Help>Contents and Index trên thanh menu.

-

- Nhấp vào mục “Tutorial” và khi đó nhấp “Loading and Inspecting Data” cho phép ta bắt đầu làm quen với hướng dẫn của LFDA.

Nhập dữ liệu cho LFDA

- Có một số cách để trút dữ liệu.

-

- Cách thông thường nhất là trút ra từ tập tin ASCII.

-

- Ta sẽ mở file “TUTOR.TXT”.

-

- Mở file .

-

- Mở Notepad và mở file “TUTOR.TXT”.

- File/ Open

-

- Chọn *.txt

-

- Chọn “TUTOR” từ danh sách các tập tin.

-

- Khi đó bộ dữ liệu sẽ được nhập vào LFDA. Ta có thể lưu dữ liệu này trong tập tin LFDA bằng cách sử dụng “File/ Save As “TUTOR.LF5”.

Kiểm tra và sữa chữa dữ liệu

- Nhìn vào dữ liệu trong phần của “Spreadsheet Mode”.

-

- Khi đó dữ liệu bạn thấy thì không thể sữa chữa để tránh các lỗi ngẩu nhiên và viết đè lên dữ liệu.

-

- Để sữa chữa dữ liệu, vào thanh “Edit” và chọn “Edit Mode”. Điều này cho phép bạn sữa chữa dữ liệu đã được nhập trước đó trong LFDA. Để dừng bất cứ việc sữa chữa bạn cần lặp lại động [FONT=VNI-Times]taùc nầy lần nữa bằng cách chọn “Edit / Edit Mode”.

- Khi bạn đang trong “Edit Mode” bạn sẽ thấy một số thanh tùy chọn, thanh này không hiện lên trước đó.

+ Thêm vào một phân bố (Add a distribution).

+ Xóa một phân bố (Erase a distribution).

+ Kết các phân bố (Combine distributions).

+ Sữa thời gian thu mẫu (Edit Sample Time).

-

- Điều này sẽ cho phép ta xây dựng bộ dữ liệu LFDA từ bên trong của chương trình, bằng cách nhập trực tiếp vào hộp thoại.

- Các hình ảnh đầy đủ thì mờ, mặc dù khi đó ta muốn xem xét phân bố chiều dài theo thời gian.

-

- Để xem dữ liệu ở dạng đồ họa, ta chọn Data/ Plot Data.

file:///C:/Users/Heodat/AppData/Local/Temp/msohtml1/01/clip_image004.jpg

- Nó sẽ hiện lên rõ hơn và phân bố tần suất chiều dài sẽ rõ hơn nhiều.

BÀI 1:

ƯỚC LƯỢNG CÁC THAM SỐ TĂNG TRƯỞNg (L¥, K, to)

Giả sử rằng dữ liệu là không theo mùa vụ và thử chạy đường cong tăng trưởng Von Bertalanffy với các dữ liệu chúng ta nhập vào.

Mục đích cơ bản trong ước lượng các tham số tăng trưởng là tìm ra một sự kết hợp các tham số tối ưu theo một phương trình đặc biệt nào đó.

Một phương trình đặc biệt thỉnh thoảng như ở dạng mô hình (model) chẳng hạn như Von Bertalanffy với các tham số đặc trưng (giá trị K và L∞). Khi đó nhìn vào dữ liệu của bạn và cho bạn một số thể hiện dữ liệu của quần đàn với một phương trình tăng trưởng.

Có 3 phương pháp dùng để ước lượng các tham số tăng trưởng được sử dụng trong LFDA:

1) Phân tích thành phần chiều dài của Shepherd (SLCA).

2) Phương pháp chiếu ma trận (ProjMat).

3) Phương pháp phân tích chiều dài điện tử (ELEFAN).

Chi tiết của mỗi phương pháp được tìm thấy trong phần hướng dẫn (Tutorial).

Bảng 1.1: Kết quả phân tích thành phần chiều dài của Shepherd với TUTOR.LF5

K

L¥

to

Điểm

SLCA (chạy lần 1)[FONT="]

(các tham số cơ bản)

0,700

220,000

-0,163

374,9820

SLCA Maximisation[FONT="]

(Chạy tối ưu hóa lần 1)

K=0,1-1,5 (15)

L∞=150-250 (11)

0,664

225,955

-0,173

375,0811

SLCA Maximisation[FONT="]

(Chạy tối ưu hóa lần 2)

K=0,5-0,8 (20)

L∞=210-250 (20)

0,664

225,893

-0,173

375,0815

Bảng 1.2: Kết quả phân tích bằng phương pháp PROJMAT với TUTOR.LF5[FONT="]

K

L¥

to

Điểm

PROJMAT (chạy lần 1)(các tham số cơ bản)

1,300

160,000

-0,081

-0,183

PROJMAT (chạy lần 2)[FONT="]

K=0,7-1,5 (15)

L∞=130-250 (13)

1,330

160,000

-0,070

-0,177

PROJMAT (chạy lần 3)[FONT="]

K=0,7-1,7 (21)

L∞=130-250 (13)

1,450

150,000

-0,082

-0,177

PROJMAT Maximisation

(Chạy tối ưu hóa)[FONT="]

K=0,7-1,5 (21)

L∞=130-250 (13)

1,298

162,977

-0,666

-0,176

Bảng 1.3: Kết quả phân tích bằng phương pháp ELEFAN với TUTOR.LF5[FONT="]

K

L¥

to

Điểm

ELEFAN (chạy lần 1)(các tham số cơ bản)

0,500

200,000

-0,650

0,453

ELEFAN (vùng 1)

0,502

198,264

-0,670

0,470

ELEFAN (vùng 2)

0,841

180,510

-0,160

0,466

ELEFAN (vùng 3)

0297

241,000

-0,120

0,450

- Nhìn vào 3 phương pháp khác nhau sẽ có sự khác biệt rất lớn.[FONT="]

- Sự khác biệt này có

-

lẽ là do bộ dữ liệu đang tính có mang tính mùa vụ, tăng trưởng chậm ở một vài lần trong năm.

-

- Thử chạy mô hình mang tính mùa vụ.

- Có hai mô hình sẳn có cho việc phân tích dữ liệu mang tính mùa vụ là mô hình PROJMAT và ELEFAN.

-

- Chọn mô hình Hoenig.

-

- Điều mà ta đang thử chạy tối ưu hóa không phải là 2 tham số mà đến 4 tham số (K, L∞, C và Ts)

+ C (cường lực của tính mùa vụ); và

+ Ts (thời gian tăng trưởng mùa vụ bắt đầu).

file:///C:/Users/Heodat/AppData/Local/Temp/msohtml1/01/clip_image006.gif

Chạy PROJMAT - Ước lượng các tham số tăng trưởng có tính mùa vụ Hoenig:

file:///C:/Users/Heodat/AppData/Local/Temp/msohtml1/01/clip_image008.gif

Chạy ELEFAN - Ước lượng các tham số tăng trưởng có tính mùa vụ Hoenig:

-

file:///C:/Users/Heodat/AppData/Local/Temp/msohtml1/01/clip_image002.jpg

Bộ dữ liệu mẫu chúng ta đang dùng là bộ dữ liệu đã được mô phỏng